Breve historia de las redes sociales . David de Ugarte

Breve Historia del análisis de redes sociales
por David de Ugarte
Si El poder de las redes le ha gustado, o al menos le ha llevado a
pensar sobre algo nuevo de una manera diferente, es muy posible
que tenga curiosidad sobre las herramientas que los científicos han
ido desarrollando para entender las redes sociales y cómo han
dado forma a la caja de herramientas de un analista de redes
sociales.
Es difícil hacerlo en tan sólo unas páginas y probablemente será
denso e incluso frenético. Si le da la impresión de estar
perdiéndose algo, no se preocupe: seguramente sea cierto. Es
igual, siga leyendo. Ya tendrá tiempo de volver conforme se vayan
cruzando referencias. El objetivo de este folleto es darle las
principales referencias, ordenadas cronológicamente, de los
fundamentos del análisis dinámico de redes sociales y describir
muy brevemente qué es y qué hace un analista profesional cuando
trabaja organizando una campaña de marketing o planeando sobre
qué nodos tocar para abrir un debate social.
Para comenzar, vuelvo a proponerles un viaje en el tiempo, hasta
la Europa del siglo XVIII. Lo que hoy conocemos como la ciudad
rusa de Kaliningrado era entonces una ciudad prusiana:
Könisberg.
Könisberg está dividida por un río, el Pregel. En aquel momento el
Pregel formaba dos pequeñas islas sobre las que se elevaba el
centro de la ciudad. La mayor de ellas era conocida como la isla
Kneiphof y en aquel momento estaba cruzada por cinco puentes.
La otra por tres, dos con cada una de las orillas y otro con su isla
gemela. Y cuenta la leyenda matemática que los lugareños solían
plantear a los visitantes un pasatiempo: “¿Pueden cruzarse los
siete puentes en el mismo paseo sin pasar dos veces por uno de
ellos?”.
1
No muy lejos de Könisberg, en la ilustrada San Petersburgo, vivía
uno de los grandes matemáticos de todos los tiempos: Leonhard
Euler.
Como muestra muy bien esta serie gráfica extraída de la
Wikipedia, Euler representó el problema como un conjunto de
cuatro nodos (cada una de las orillas y las dos islas) unidos por
una serie de siete líneas (cada uno de los caminos que se podía
seguir de un nodo a otro cruzando los puentes).
De una forma que se hacía casi evidente al verlo representado,
Euler demostró que era imposible establecer una ruta que
conectara todos los puntos de este grafo sin pasar dos veces por el
mismo enlace.
La lógica de la demostración es muy accesible y está en la base de
lo que luego se llamó los “ciclos eulerianos”. Si un nodo tiene un
número impar de enlaces, deberá ser el comienzo o el final del
recorrido, luego para que podamos recorrer todos los nodos sin
usar dos veces el mismo enlace, el número de nodos de grado
impar no puede ser mayor de dos.
La idea importante que subyace bajo la demostración de Euler,
como comenta el profesor Barabasi en su libro Linked, es que los
“grafos o redes tienen propiedades, ocultas bajo su
estructura, que limitan o multiplican nuestra capacidad
para hacer cosas con ellas”.
2
Por eso, el análisis de redes es en sus orígenes una forma
particular de análisis topológico: la descripción de las distintas
estructuras que puede tomar una red y el estudio de las
propiedades inherentes a cada una.
Esta aproximación ya niega de por sí la idea de la “neutralidad” de
las redes. Analizar redes sociales es ante todo determinar su
estructura y por consiguiente establecer los límites de posibilidad
en la actuación tanto de los individuos que forman parte de ellas
como de la red en su conjunto. El análisis de redes sociales nos
dice sobre todo lo que puede y no puede pasar, no lo que pasará...
a menos que no pueda pasar otra cosa.
Euler, con su forma de representar el problema de los siete
puentes, nos dejó una forma de describir redes. Nacía la teoría de
grafos.
Pero grafos como el que usó no sirven para representar redes
sociales convencionales. ¿Qué podrían significar dos enlaces entre
dos nodos cuando además no son direccionales? En realidad, los
grafos están asociados con una forma particular de redes en las
que las relaciones entre los nodos siempre son simétricas. Sirven
para representar relaciones del tipo “se puede ir de A a B” o “X es
familia de Y”, en los que la misma relación implica que “se puede
ir de B a A” e “Y es familia de X”, pero no para relaciones
asimétricas, como “M presta dinero a N”. Por eso los nodos están
unidos por líneas (también aristas, lazos o edges en la notación
inglesa) y no por vectores con sentido (arcos o archs en inglés).
Con todo, el lenguaje descriptivo de la teoría de grafos es la base
de la notación en cualquier identificación topológica de una red.
La red se define como un conjunto de nodos (también llamados
puntos o vértices) que en análisis social representan a los actores
de la red, unidos por líneas que representan la relación o
relaciones que les unen.
Ahora imaginemos que queremos conocer la “centralidad” de un
nodo en la red, es decir que queramos medir hasta qué punto es un
3
conector valioso para el conjunto. Por supuesto una medida sería
el grado nodal, el número de nodos con los que se conecta.
Podríamos ordenar en función de ella los nodos de la red y tener
una idea clara de cuáles son los nodos más conectados, pero un
nodo puede estar muy conectado en una subred y sin embargo no
ser clave para la red en su conjunto.
Para eso tomaremos otras medidas: la cercanía y el grado de
intermediación. La cercanía (closeness) es la suma de las
distancias que separan a un nodo del resto de nodos en la red;
aproxima su peso, su capacidad para llegar en pocos pasos a
cualquiera.
La intermediación (betweenness) en cambio es una medida del
número de veces que un nodo aparece en el camino más corto
entre otros dos nodos. Esos caminos más cortos también se llaman
caminos geodésicos. El índice de intermediación es la suma de los
cocientes entre el número de todos los caminos geodésicos que
unen dos nodos y el número de ellos que pasan por el nodo en
cuestión. La intermediación nos da una aproximación al peso
como conector (como hub) del nodo, su importancia cara a que la
red se mantenga unida.
Ya, ya sé que todo esto resulta un poco pesado, incluso lioso, pero
realmente es necesario conocerlo porque este lenguaje no es en
realidad tan sólo una forma estandarizada de describir una red. Es
una forma de describir estáticamente una red. Y claro, las redes
sociales son en esencia dinámicas, nuestras relaciones cambian, se
desarrollan y con ellas los mensajes que se transmiten en el
conjunto social. Y eso, precisamente eso, todo lo que no sale en el
análisis estático, es lo que resulta interesante y atractivo del
estudio de redes sociales.
Por esta razón las herramientas que suelen enseñarse a los
alumnos de los cursos universitarios introductorios, heredadas de
la teoría de grafos y del estructuralismo, no sólo iluminan,
también limitan nuestra comprensión de las redes sociales y sobre
4
todo, “llevan el veneno en las premisas”. Como escribía Duncan
Watts en su libro Six Degrees:
“En vez de pensar en las redes como entidades que
evolucionan, los analistas de redes han tendido de hecho a
tratarlas como una materialización congelada de esas
fuerzas. Y en vez de entender las redes como meros
conductos a través de los cuales la influencia se propaga
según sus propias reglas, han tratado a las propias redes
como una representación directa de la influencia. (...)
Implícito en la aproximación [a las redes desde el
concepto de centralidad] está la asunción de que las redes
que parecen ser descentralizadas, no lo son realmente. (...)
Pero, ¿qué pasa si no hay un centro? ¿Qué pasa si hay
muchos «centros» no necesariamente coordinados ni
incluso del «mismo lado»? ¿Qué pasa si las innovaciones
importantes no se generan en el núcleo sino en la periferia
donde los capos gestores de información están demasiado
ocupados para mirar? ¿Qué pasa si pequeños sucesos
repercuten a través de oscuros lugares por casualidad y
encuentros fortuitos, disparando una multitud de
decisiones individuales, cada una de ellas tomada sin una
planificación tras de sí, y convirtiéndose por agregación en
un suceso no anticipable por nadie, ni siquiera los propios
actores?
En estos casos, la centralidad en la red de los individuos o
cualquier centralidad de cualquier tipo nos dirá poco sobre
el resultado, porque el centro emerge como consecuencia
del propio suceso”.
El análisis de redes sociales, entendido al modo estructuralista,
estático, nos servirá pues para aproximar el funcionamiento y la
estructura real de instituciones o grupos muy consolidados y
estables, pero no cambios, transformaciones sociales donde los
propios hechos, la voluntad individual de los actores acabe
5
generando cambios en la misma estructura de la red.
Paradójicamente, los viejos estructuralistas, confrontados a la red,
no podrán explicar el cambio social que tanto les preocupó
siempre.
Como remarcaba Watts en la cita anterior, los defensores del
análisis estático
“en vez de entender las redes como meros conductos a
través de los cuales la influencia se propaga según sus
propias reglas, han tratado a las propias redes como una
representación directa de la influencia”.
Podríamos definir “influencia” como la probabilidad asociada a un
nodo de transmitir o impedir la transmisión de nuevas ideas o
pautas de comportamiento en la red. En este marco, la instantánea
de la red en un momento dado sólo puede referir una información
parcial y a menudo confundirnos sobre las tendencias y los flujos
que más pueden interesarnos en el análisis: la propagación (de
info en la red) y la transformación (de los vínculos que le dan
forma).
Y es que en realidad una cosa es una red abstracta y otra la gran
red social en la que vivimos. Un día, lejos de nuestra ciudad,
tomamos un tren y comenzamos a conversar con el pasajero del
asiento de al lado. La conversación se anima, se pasa de las
generalidades al relato de los propios mundos de cada cual y en un
momento descubrimos conocidos comunes... y es que “el mundo
es un pañuelo”, o como se diría en inglés “what a small world it
is”. En 1967 el controvertido psicólogo social Stanley Milgram
realizó un experimento original: seleccionó cincuenta personas a
las que entregó un mensaje para un único destinatario. El mensaje
sólo podía ser entregado a un conocido o, por éste, a otro
conocido, hasta alcanzar el objetivo final. El experimento no salió
muy bien las primeras veces, con una tasa de recepción final del
5% (cosa que no impidió a Milgram publicar los resultados y abrir
un debate que ha sido sumamente fértil). En sucesivos intentos la
6
tasa de recepción se elevó incluso hasta el 97%. Poco a poco una
idea emergió de los experimentos, la de los seis grados de
separación: cualquier persona podría llegar a cualquier otra
siguiendo tan sólo seis pasos de “amigos de amigos” (en ingles
“friend of a friend” o FOAF).
¿Sorprendente? Si aplicásemos la lógica de la venta piramidal no
debería serlo. ¿Quién no conoce a cien personas? Si cada una de
ellas conociera a otras cien (distintas), en dos grados podría
llegarse a 10.000 personas y en seis grados a más de 9.000
millones, lo que es bastante más de la población mundial.
Pero la cuestión es que posiblemente comparta la mayor parte de
mis conocidos con mis contactos de primer grado. Si
“limpiásemos” del listado de cada uno de los primeros contactos a
los que ya han aparecido previamente como conocidos directos
míos, es muy probable que muchos de ellos no llegaran al
centenar de nuevos contactos. Por eso recibimos los mismos
mensajes de e-mail en cadena varias veces, se repiten las
convocatorias por SMS en el móvil y definitivamente la venta
piramidal nos parece un timo para sacarle los cuartos a la familia y
el entorno más cercano.
Este fenómeno se llama clustering y podríamos definirlo como la
tendencia que tienen dos conocidos comunes a un tercero a
conocerse entre sí. O dicho a la manera del análisis de grafos, la
tendencia a que dos nodos conectados a través de un tercero se
conecten directamente entre sí.
El clustering hace que la gran red social se parezca más a una red
de redes que a una única red muy interconectada. En el lenguaje
del análisis estructural diríamos que la red social real tendería a
representarse como un conjunto de “clusters” unidos entre sí por
puentes locales. Son estos puentes los que permiten que sólo haya
seis grados de separación media en una red social amplia
dándonos la impresión de que “el mundo es un pañuelo” (el
“Small World Phenomenon”).
7
Claro que para que los puentes reduzcan tanto el número de
grados de separación medio en grandes poblaciones hace falta
algo más que su existencia. Los puentes garantizan la existencia
de uno o más caminos entre dos nodos, no que los caminos
geodésicos tengan pocos grados. Para eso hace falta que los nodos
de los que surgen los puentes sean verdaderos conectores
(“hubs”), que estén muy conectados con distintos clusters y
conectados entre sí. Dicho de otro modo, los conectores son nodos
de fácil acceso desde distintas subredes.
Ahora vuelvan a la primera ilustración de referencia de este libro.
El mundo de los concectores, el mundo de Milgram, se parecería
mucho a una red descentralizada. Es un mundo antes de Internet.
Imaginen el efecto que sobre el análisis de centralidad tendría la
introducción del correo electrónico, las páginas personales y los
blogs. Potencialmente al menos cualquier nodo podría conectarse
con cualquier nodo, tanto para recibir --leer sus posts-- como para
emitir/enviar mensajes que fueran leídos. ¡Hasta qué punto
Internet ha convertido en Historia el mundo que enseñamos a
describir en las universidades!
Pero no vayamos demasiado rápido. Seguro que muchos de
ustedes piensan que alguien que “conoces por Internet” no puede
contabilizarse del mismo modo que un amigo cercano o alguien de
quien simplemente tenemos su número de teléfono.
En 1973 el sociólogo Mark Granovetter realizó un famoso estudio
sobre dos comunidades bostonianas que se movilizaban frente a
las consecuencias del crecimiento urbano. De este estudio emergía
la idea de que la coordinación social dependía, a la hora de la
verdad, no tanto de los vínculos fuertes como las relaciones
familiares, de amistad o de cuadrilla, como de los vínculos débiles
establecidos con anterioridad con otros actores con los que hasta
entonces habían tenido poco o ningún contacto. En un estudio
posterior corroboró esta idea estudiando qué contactos servían
realmente a la hora de encontrar trabajo. Granovetter llamó a este
fenómeno la fuerza de los vínculos débiles.
8
Y esa fuerza debería impulsarnos un par de reflexiones: en primer
lugar que en el grafo de una red las claves pueden estar justamente
en aquellos lazos que, en el análisis estático, parecen menos
relevantes, enlaces que “ensucian” el mapa y que muchas veces se
borran para “facilitar el análisis”. Los límites de la propagación
vienen determinados por vínculos débiles, poco llamativos,
difícilmente detectables. En segundo lugar, y en parte por lo
mismo, los vínculos que unen a los hubs entre sí y con las redes
que conectan probablemente serán también “débiles”.
Los conectores cumplen una función social: minimizar los
caminos geodésicos entre nodos, hacer que el mundo sea un
pañuelo. Surgen en general en todas las redes que crecen por
agregación de nodos y en las que los propios nodos pueden
determinar a quién se vinculan. Estas redes se llaman free scale
networks y fueron estudiadas por el profesor Barabasi, quien las
popularizó en su libro Linked. En ellas los conectores surgen de
manera espontánea obedeciendo una ley potencial.
La razón de fondo es sencilla: si abro un aeropuerto en Cuenca
lógicamente será más útil que los vuelos vayan a Madrid o
Londres que a Reus, porque desde los aeropuertos grandes los
viajeros tendrán que hacer menos escalas para dirigirse a cualquier
otro punto. ¿Qué quiere decir ley potencial? Pues que si
relacionamos el número de nodos (y) con el de vínculos que
soporta cada nodo (x), nos encontramos con funciones del tipo y =
k · x-n.
Es decir, que el número de nodos que sólo tienen un enlace será
una potencia del número de enlaces que soporta el nodo más
conectado. Al exponente n se le llama el grado de la función o
escala de la red. Empíricamente redes como las formadas por el
contagio de enfermedades de transmisión sexual o el sistema aéreo
de transporte han demostrado funcionar así.
Los conectores surgen, por tanto, a consecuencia de los intereses y
la estrategia de vinculación de los propios nodos de la red, en
9
especial de los “recién llegados”. Pero los hubs no sólo son
actores pasivos, buscarán mantenerse arriba en la dura carrera de
la ley potencial, en la que un vínculo perdido puede hacerte caer
varios escalones en el escalafón y lógicamente aceptarán todos los
enlaces. Son actores no controvertidos, simpáticos a todos, y por
lo mismo su agenda estará hecha fundamentalmente de vínculos
débiles.
Por otro lado, se trate de un aeropuerto, de un relaciones públicas
o de un confidente policial, saben que su función y su peso en la
comunidad derivan de su función como interconector y su objetivo
es interconectar para mantener su estatus en una red siempre en
crecimiento, siempre cambiante. Por ello, su estrategia de
propagación será normalmente pasiva. Pasarán la mayor de las
veces la info sin más, pues no tienen otro interés que su
consolidación. En realidad los conectores son “usados” por los
dinamizadores de la red que normalmente no son hubs, sino
actores “periféricos”.
Esto es así en redes de contactos, en las redes de afinidad entre
bloggers, etc., pero no tanto en otras redes como las formadas por
contagio de ciertas enfermedades. Como sugería Juan Urrutia en
su libro Economía en Porciones, si las probabilidades de
“contagio” fueran escasas para un solo contacto con una persona
infectada, incrementándose la probabilidad con el número de
contactos, un individuo fundamentalmente “promiscuo” como un
hub, que tiene muchos contactos pero poco intensos (vínculos
débiles), podría tener probabilidades relativamente pequeñas de
verse “infectado” él mismo y por tanto de transmitir la
información. En redes así la información de ese tipo rara vez
dejaría de ser “local”, de estar confinada a los límites del cluster
en el que nació.
Trasladando todo esto a la propagación de ideas en red nos
permite alcanzar un concepto importante: el carácter de los
vínculos determinará los límites de la propagación dependiendo de
lo que esos vínculos signifiquen socialmente. Dos arquitecturas de
10
red iguales pueden llevarnos a resultados de propagación muy
diferentes aunque los actores sigan estrategias similares.
Para analizar redes sociales necesitaremos además conocer qué
dinámicas siguen los contagios y las epidemias en redes.
La hipótesis de que las ideas se transmiten de un modo similar a
las enfermedades no es una metáfora nueva, ni siquiera original de
los defensores de la memética. Tiene la ventaja de que la
matematización de modelos epidemiológicos no es ninguna
novedad y sabemos ya bastante sobre el comportamiento agregado
de la transmisión de las enfermedades según sus características
como para conocer los límites y las posibilidades de la metáfora.
Bajo la mayoría de estas aproximaciones y actualizaciones late el
modelo SIR, desarrollado por el químico escocés William Ogilvy
Kernack y el matemático A. G. McKendrick en dos artículos de
1927 y 1932. Por desgracia los artículos cayeron en el olvido hasta
1979, año en el que apareció un conocido artículo seminal de
Anderson y May en la revista Nature y los convirtió en el punto de
partida de las modelizaciones actuales.
Este modelo divide los individuos de una población en tres
categorías: Susceptibles (de ser infectados), Infectados y
Recuperados (de la infección). A partir de que un infectado toma
contacto con un grupo en el que existen individuos S, la evolución
del porcentaje de individuos que padecen la enfermedad (el
crecimiento logístico) será función de medidas que son intrínsecas
a la enfermedad en cuestión: la tasa de recuperación y de la
probabilidad de que un contacto entre un S y un I devenga en
contagio (infecciosidad). Al desarrollar las ecuaciones del modelo
nos encontraremos con que en cada momento el número de
contagiados será función del volumen de cada una de las tres
poblaciones: pequeño al principio, a partir de un punto de
inflexión (cuando se alcance una cierta masa crítica de infectados)
crecerá rápidamente y, finalmente, cuando el número de
recuperados (y se supone que inmunes o muertos por la
11
enfermedad) empiece a reducir los contactos “exitosos”, se
estabilizará y caerá de nuevo. El modelo SIR genera una
descripción en tres fases del curso de una epidemia: arranque (de
lento crecimiento), explosiva y remisión.
Implícitamente los contactos entre los miembros de una población
son puramente aleatorios. Esto puede dar resultados relativamente
ajustados para muchas enfermedades, incluso para la transmisión
de virus en redes de ordenadores. Bastaría que considerásemos a
los usuarios de Linux como individuos “recuperados” o resistentes
a la “enfermedad” y preexistentes al primer infectado.
Esto es así porque en general el correo electrónico o el aire (en el
caso de las epidemias de gripe) son medios abiertos, que contactan
a todos con todos con relativa promiscuidad, y en ellos la hipótesis
de aleatoriedad puede funcionar bastante bien. Pero el modelo
tiene dificultades cuando la estructura de relaciones, la red,
empieza a ser determinante en las vías de contagio, como en las
enfermedades de transmisión sexual. Si queremos predecir cómo y
sobre todo cuándo se producirá la propagación de ideas o
comportamientos en una red necesitaremos un modelo un poco
más complejo. El camino que siguieron algunos teóricos, que no
12
en vano venían de la Física, fue el de la “percolación”, un análisis
basado en la física del filtrado.
La tecnología de procesos de filtrado está ligada a las carencias de
combustible y la necesidad de alimentar motores de explosión.
Alemania, en su apogeo imperial a finales del siglo XIX, tenía
todas las condiciones para hacer una buena teorización de estos
procesos: industria creciente, perspectivas bélicas, buenos físicos e
ingenieros y ni un triste pozo de petróleo. Por eso en 1898 la
primera planta de obtención de biocombustibles por “percolación”
(un tipo de filtrado) nació en Alemania. La teorización también.
En términos clásicos el problema de la percolación podría
contenerse en la siguiente pregunta: Imaginemos que vertemos un
líquido sobre una superficie porosa. Los poros pueden estar
abiertos o cerrados. Asumiendo que la probabilidad de que un
poro esté abierto es siempre igual para todos los poros, la pregunta
es qué probabilidad tiene el líquido de alcanzar o no un punto
determinado. Pero este problema podría ampliarse y entenderse
como un problema general de teoría de grafos en el que una serie
de nodos están unidos por vínculos que a su vez pueden estar
abiertos o cerrados.
Durante la Segunda Guerra Mundial dos químicos
norteamericanos, Flory y Stockmayer, destacaron por ser pioneros
en el estudio de los polímeros. Los polímeros son largas moléculas
que se forman al enlazarse otras moléculas “base” llamadas
monómeros. Una propiedad compartida por muchos polímeros es
la de convertirse en geles al ser disueltos en agua bajo ciertas
condiciones. Se convierten en geles y no se diluyen porque el agua
se incorpora a su estructura. El proceso, descubrieron, podía
modelizarse de forma similar a la percolación, debido a la
capacidad de los polímeros para formar redes moleculares. Al
realizar determinados procesos (como batir, calentar o remover)
las moléculas de agua y los monómeros del polímero se
encontraban al azar estableciendo aleatoriamente vínculos. Unos
(vínculos abiertos) permitían el enlace entre moléculas de H2O,
13
otros no. A partir de cierto momento o temperatura que generaban
incrementos en el número de “encuentros” aleatorios entre las
moléculas, el número de enlaces alcanzaba una masa crítica (el
umbral de “gelación”) y el sistema cambiaba rápidamente
formando una red molecular única: el gel.
Pero ¿no se parece esto a un refinamiento del modelo SIR
teniendo en cuenta la estructura de red subyacente? Ése fue el
enfoque inicial del ya citado Duncan Watts, profundizado luego
por Moore y Newman en un artículo que hoy es ya uno de los
clásicos en teoría de redes. Pero en su adaptación del modelo
Watts y sus continuadores asumieron la hipótesis de los vínculos
aleatorios. El resultado que obtenían llegaba a una conclusión
similar a la del modelo SIR: a partir de cierto número de vínculos
abiertos (el umbral de percolación), el porcentaje de “infectados”
respecto a la población total crecía dramáticamente, tendiendo
rápidamente a igualarse al conjunto de la población. A partir de
que se cruzaba el umbral de enlaces, teníamos una “epidemia”.
Desde el punto de vista del análisis de redes concretas este modelo
aporta bien poco, salvo tal vez que ayuda a entender por qué redes
como la formada por usuarios de Windows en Internet (un canal
universal y abierto) sufren periódicas infecciones de virus. Desde
la perspectiva del análisis, al estar dados desde el principio los
canales abiertos y cerrados, desde el punto de vista estático el
resultado que para la red tendrá el “contagio” por parte de un
individuo concreto resulta evidente: bastará con seguir los
vínculos abiertos que tenga para poder predecir dentro del modelo
las siguientes oleadas de infectados. Desde el punto de vista
dinámico, al abrirse y cerrarse vínculos al azar, tampoco nos
permite predecir, actuar o establecer hipótesis sobre las estrategias
de los actores.
Sin embargo, la diferencia entre vínculos abiertos y cerrados
puede describir bastante bien las estrategias de propagación de la
información de cada nodo frente a aquellos en los que se conecta,
y a partir de ahí podemos estudiar también la relación que pueda
14
establecer entre el tipo de vínculos que le unen con los otros nodos
y qué información, a quién y cómo la propaga.
Pero para poder sacarle partido en redes y modelos agregados
reales deberemos tener en cuenta algo más: los actores también
modifican la red según sus propias estrategias de transformación,
abriendo y cerrando vínculos, creando nuevos y destruyendo otros
a lo largo del tiempo. Es más, nos será más fácil aproximar
estrategias de propagación desde las de transformación que al
revés. Esto veremos en nuestro modelo de análisis general, pero
antes tendremos que acercarnos a las contribuciones de Chwe,
Urrutia y otros modelizadores del cambio de comportamiento de
los individuos en red, comenzando por el que tal vez sea, a día de
hoy, el autor más influyente en un nuevo campo de la Teoría
Económica: Peyton Young.
El profesor Peyton Young es una de las referencias punteras en
Social Dynamics, un campo de análisis económico que también
aparece como parte de la New Social Economics, o en español
como Economía Desmercada. Sus modelos buscan explicar
“cómo pautas de comportamiento agregado surgen
espontáneamente de muchas decisiones descentralizadas
individualmente” en las que los agentes toman en cuenta cómo
serán consideradas por los demás. En su origen muchas de las
preguntas que han formado esta disciplina nacieron en el campo
de la Economía espacial y regional.
Pero pronto, en los setenta, los economistas empezaron a darse
cuenta de que aquellos modelos de comportamiento podían
aplicarse a cuestiones más amplias como la segregación racial. Y
más allá, en los noventa, de que las estructuras subyacentes eran
comunes a sistemas que excedían el comportamiento económico
en sentido amplio. Resulta muy interesante hoy descubrir como
Paul Krugman empieza por ejemplo a descubrir las leyes
potenciales que despues Barabasi ligaría a las redes de libre
agregación, en un conocido ensayo de esa época.
15
El enfoque de Young es heredero de los viejos modelos de
“comportamiento gregario” nacidos a finales del siglo XIX de la
pluma de uno de los más cínicos y subversivos economistas de la
Historia: Thorstein Veblen. En sus modelos de Dinámica de la
conformidad, Young parte de la idea de que los individuos
obtienen un refuerzo social, un beneficio en términos de
consideración por el hecho de seguir un comportamiento
socialmente aceptado en su entorno cercano (en su cluster o
subred). Y, lógicamente, el primer resultado que destaca muestra
“cómo el comportamiento conformista engendra un proceso
dinámico cuyo comportamiento depende de la estructura de la
red”. Pero Young se centrará en resultados agregados y no en
topologías concretas precisamente porque su objetivo es
caracterizar los resultados globales de las interacciones
individuales en una sociedad estructurada en clusters y en la que
los actores toman sus decisiones en función tanto de lo que les
reporta su acción en sí misma como del reconocimiento social
asociado en su entorno por hacerlo. Éste es el sentido por ejemplo
de su aproximación a la difusión de las innovaciones sociales.
Profundizando en la lógica “micro” bajo el enfoque de Young,
Michael Chwe analizó cómo distintas topologías afectaban al
comportamiento de los actores y al resultado global de la red.
Siguiendo a Chwe, habría unos umbrales a partir de los cuales el
entorno hace que sea rentable modificar el propio
comportamiento. Como estos umbrales se definen a partir del
entorno, las distintas formas de la red influyen en el
comportamiento de los nodos.
En noviembre de 2003 Juan Urrutia, en un trabajo que partía de
los resultados de Chwe, propuso sin embargo una variación tan
sutil como radical: imaginemos que los actores quieren actuar de
un modo determinado, que tienen deseos para sí y para el
resultado agregado en su grupo y que lo que quieren es ver esas
acciones socialmente aceptadas. En ese concepto, el umbral en el
que el comportamiento cambia pasa a tener un significado
16
completamente distinto, pasa a ser un verdadero “umbral de
rebeldía” que representa cuántos a mi alrededor tienen que actuar
como a mí me gustaría actuar para que yo pueda cambiar mi
pauta de comportamiento sin sentirme socialmente rechazado.
Si entendemos que en el comportamiento de los nodos, lo influido
por el entorno es su estrategia de propagación, tendremos un
primer modelo de motivación y comportamiento informacional en
red. A partir de ahora consideraremos que lo que se transforma en
las redes es el discurso dominante y que los actores tienen deseo
de transmitir un discurso u otro, abriendo o cerrando sus vínculos
en función de su aceptabilidad por el entorno inmediato.
Al tratarse de funciones discretas (desde el punto de vista de la red
cambiamos o no nuestro comportamiento) el resultado generado
permite explicar la aparición de tipping points coherentes con los
resultados de Peyton y Chwe. Cambios en clusters aparentemente
irrelevantes acaban dando pie a transformaciones globales.
Actitudes larvadas bajo los umbrales de aceptación social se van
traduciendo en pequeñas modificaciones de la red hasta que
súbitamente, al cruzarse el umbral de un individuo en el que no
habíamos reparado, se transforma el cluster entero y emerge un
cambio en cadena que puede acabar modificando las correlaciones
de fuerza del discurso social entre las distintas subredes. Si el
discurso analizado es político y el sistema de toma decisiones
democrático, el modelo nos explicará por ejemplo cómo pequeños
cambios en grupos determinados o la aparición de nuevos grupos
acaban generando cambios de mayorías sociales. Dicho de otro
modo, cómo la influencia (que es de lo que hablamos en redes) se
transforma en poder.
Urrutia sigue entonces a Chwe para analizar cómo cada topología
influye, dado un umbral de rebeldía determinado, en el
comportamiento de los actores. Los conceptos clave son los de
conocimiento mutuo (un nodo conoce el umbral de los nodos con
los que se conecta) y conocimiento común (todos los nodos de un
cluster conocen los umbrales de los demás).
17
Citemos íntegramente el nudo de la lectura que Urrutia hace de
Chwe:
“Digamos que la comunidad está formada por cuatro agentes,
1, 2, 3 y 4, que corresponden a cuatro nodos de una red, y
que cada uno de ellos tiene un umbral de rebeldía de 3, de
forma que cada uno de los agentes se rebelará si sabe que hay
tres o más agentes (incluido él mismo) que están dispuestos a
rebelarse y que no se rebelará si no está seguro de que éste es
el caso (supuesto, este último crucial para el ejemplo de
Chwe). Considera este autor en su ejemplo dos formas de red
alternativas, el cuadrado y la cometa, tal como se representan
en la siguiente figura en la que cada nodo representa el
agente individual que se indica y en la que cada conexión
entre nodos es bidireccional.
Consideremos primero el cuadrado y examinemos el
problema de decisión del individuo 1, sabiendo que el
verdadero estado de la naturaleza es (3333).
1. Primero, el agente 1 sabe que los agentes 2 y 4 tienen
un umbral de rebeldía de 3 puesto que está directamente
conectado a ellos; pero no sabe nada respecto al agente 3.
En consecuencia el agente 1 sabe que el verdadero estado
de la naturaleza es un elemento del siguiente conjunto
{(3313), (3323), (3333), (3343), (3353)}, suponiendo que
18
el umbral de rebeldía puede tomar los valores 1, 2, 3, 4 o
5.
2. Segundo, ¿se rebelará el agente 1 en estas condiciones
epistémicas? Siguiendo a Chwe voy a mostrar que no lo
hará porque no está seguro que el agente 2 lo vaya a hacer
a pesar de que sabe que este agente 2 tiene un umbral de
rebeldía de 3 y que hay tres agentes (incluido él) con ese
umbral. Para verlo pensemos que el agente 1 deberá
pensar qué haría el agente 2 en caso de que el estado de la
naturaleza fuera, por ejemplo, el (3353), uno de los
considerados posibles por el agente 1. Como el agente 2
conoce el umbral de los agentes 1 y 3 pero no el del agente
4, este agente 2 cree que el verdadero estado de la
naturaleza está en el conjunto {(3351), (3352), (3353),
(3354), (3355)}. En consecuencia el agente 1 piensa que el
agente 2 no se rebelará porque creerá que es posible que el
verdadero estado de la naturaleza sea, por ejemplo, el
(3355), que no le lleva a rebelarse porque él (el 2) tiene un
umbral de rebeldía de 3. Por lo tanto el agente 1 no se
rebelará en el verdadero estado de la naturaleza, el
(3333), porque piensa que este verdadero estado de la
naturaleza podría ser el (3353), en el que, como acabo de
mostrar, el agente 2 no se rebelará.
3. Tercero, en el caso del cuadrado, un argumento similar
sirve para mostrar que los agentes 2, 3 y 4 tampoco se
rebelarán.
Consideremos ahora el caso de la cometa. Chwe explica que,
en este caso, el agente 3 conoce el umbral de todos los
demás; los agentes 1 y 2 conocen que el verdadero estado de
la naturaleza es un elemento del conjunto {(3331), (3332),
(3333), (3334), (3335)} y el agente 4 conoce su umbral 3, y
el del agente 3, que también es 3, pero desconoce el de los
agentes 1 y 2, de suerte que este agente 4 piensa que el
verdadero estado de la naturaleza está dentro del siguiente
19
conjunto {(1133), (1233) ..., (2133), (2233) ... (5533)} muy
amplio. Es evidente que el agente 4 nunca se rebelará ya que
es posible que el verdadero estado de la naturaleza sea, por
ejemplo, el (5533), en el que sólo habría dos agentes
dispuestos a rebelarse. Pero también es evidente que los
agentes 1, 2 y 3 se rebelarán siempre pues los tres saben que
en el verdadero estado de la naturaleza hay al menos tres
agentes dispuestos a rebelarse.
Este maravilloso ejemplo de Chwe muestra la importancia de
forma de la red, es decir de la estructura de la comunidad;
pero también los requisitos epistémicos de la rebelión. En el
caso del cuadrado cada agente sabe que la rebelión puede
darse (porque sabe que hay tres agentes, incluido él, con
umbrales de rebelión de 3); pero la rebelión no brota porque
ningún agente puede estar seguro de que todo vecino (o
agente conectado directamente a él) sabe eso mismo. En el
caso de la cometa cada agente que conforma el triángulo no
sólo sabe que los otros dos tienen un umbral de 3; sino que,
además, está seguro de que los otros dos saben que los otros
lo tienen y que incluso están seguros de que los otros lo
tienen, lo que apunta a la importancia del conocimiento
común (common knowledge).
(...) Parecería, por lo tanto y de acuerdo con el ejemplo de
Chwe, que en el caso de la derecha de la figura es más fácil
que brote la rebelión; pero el propio trabajo de Chwe muestra
que esto es sólo cierto cuando los umbrales de la rebelión son
bajos; pero no cuando son altos, en ambos casos en relación
al número de agentes. Por ejemplo, ninguno de los agentes se
rebelará, ni en el cuadrado ni en la cometa, si el verdadero
estado de la naturaleza fuera el (5555)”.
20
Llegamos entonces al resultado de que existe una relación inversa
a la hora del cambio social entre umbral de rebeldía y densidad de
la red:
“Para umbrales de rebeldía bajos es tanto más fácil que la
llama revolucionaria prenda cuanto más fuertes sean las
relaciones entre los agentes que están en red, mientras que
para umbrales de rebeldía altos es tanto más fácil que la
revolución prospere cuanto más débiles sean esas
relaciones entre los agentes”.
Hay que aclarar que en Urrutia, como en Chwe, la fortaleza o
debilidad de los vínculos no se refiere a una cualidad del nodo,
sino del conjunto, fortaleza en este modelo equivaldría más a
clustering (todos están conectados con todos y existe por tanto
conocimiento común) y debilidad de los vínculos a poco
conocimiento común.
Pero lo realmente innovador del análisis de Urrutia es que
incorpora un nuevo elemento, la capacidad de crecimiento de la
red: si las redes menos densas son las más estables, también son
las que más fácilmente crecen y esa facilidad incluye también su
capacidad para incorporar nuevos mutantes que decanten un
cluster y acaben generando un tipping point global aunque los
umbrales de rebeldía sean altos. Los actores lo saben y hacen
crecer la red (en número de vínculos) e incluso en nodos, para
poder unirse mediante vínculos abiertos a otros, para poder
expresarse y comunicar con aceptación grupal lo que quieren.
Lo que sugiere Urrutia es que una parte sustancial de las
transformaciones de la red obedecen a estrategias conscientes de
los actores, que modifican la red para redefinir sus clusters
aumentando el conocimiento común y creando otros nuevos con
umbrales de rebeldía que den cabida a la materialización de sus
deseos de comunicación.
Si aceptamos la hipótesis de que los vínculos fuertes son
generalmente abiertos para casi todo tema (no me recato
21
comunicando mis ideas ante mis amigos íntimos y mi familia) y
que los débiles están por lo general sólo abiertos a temas
específicos que dieron pie a la relación (si conozco a alguien en
los partidos de mi club de basket favorito es raro que tenga más
allá de una visión general de su modo de pensar), podríamos decir,
yendo apenas un paso más allá de Urrutia, que lo que hacen los
nodos ante su situación de minoría es intentar transformar
vínculos débiles en vínculos abiertos.
En este contexto Urrutia analiza las ciberturbas desde las lúdicas
flash-mobs americanas hasta la que hizo caer al presidente Estrada
en Filipinas, y que decantarían las elecciones generales españolas
tan sólo cinco meses después de publicado su trabajo.
Las mobs, la súbita aparición de redes sociales a partir de las
agendas de los teléfonos móviles y/o las nubes de blogs en la web,
serían una forma de generar lazos abiertos asistida por tecnologías
que ayudan a formar atajos (short-cuts) entre miembros de
distintos clusters ligados directa o indirectamente por lazos
débiles.
Urrutia nos ha dado el elemento que nos faltaba para construir un
modelo general de análisis: la posibilidad de incorporar la
transformación dentro de un modelo de comportamiento coherente
con la estrategia de propagación de los actores. De hecho, la
sugerencia de Urrutia es, desde el punto de vista del análisis, aún
más importante de lo que parece: al relacionar la estrategia de
propagación con la de transformación, de la que hay rastros
públicos objetivos, nos da la clave para “descifrar” la primera y
caracterizar a los nodos en la red. Pero ¿cómo se traduce en la
práctica para los analistas de redes?
Es un viejo tópico reaccionario el de la “sobreabundancia” de
información en Internet. Sobreabundancia que quedaría
demostrada por la inabarcabilidad del conjunto de la info expuesta
públicamente en ella y especialmente en la web. En realidad el
tópico no hace sino dejar al descubierto un viejo afán de tintes
22
totalitarios característico de los modelos del siglo pasado y que, al
menos desde la segunda mitad de dicho siglo, podría aplicarse a
casi cualquier base de conocimiento, desde la Física hasta las
Matemáticas, pasando por la más modesta Economía. Sin embargo
a la hora de la verdad, como veremos en la práctica, lo que
encontramos en la red no es necesariamente sino un rastro, una
huella, de la actividad social del individuo. Apenas una pista desde
la que trazar su red social.
Dados los niveles de información de los que normalmente
disponemos, trazar grafos que representen los cauces de la
influencia en las redes sociales es sencillamente imposible. Tan
sólo podemos aproximar una representación y siempre hemos de
tener claro este doble carácter de representación y de tentativa.
Ni siquiera con sistemas como Orkut, en la que los individuos
declaran sus propias relaciones, o FOAF, donde además pueden
calificarlas, la información obtenida nos permitiría trazar
directamente un grafo que pudiéramos sinceramente equiparar a
una representación de la capacidad de influencia de unos
individuos sobre otros. Por eso, toda información pública es poca
para el análisis y todo análisis tiene una parte “artística”, un
elemento de interpretación en el que la intuición del analista sobre
cómo valorar e interpretar los datos sigue siendo fundamental.
Como los economistas o los psicólogos sociales, el analista debe,
partiendo de los datos, formular una hipótesis de comportamiento
y motivación de los agentes y de la red en su conjunto. Para eso lo
primero es obtener toda la información disponible sobre los nodos.
Esta información no es homogénea, así que el primer paso es su
separación en distintas categorías y periodos temporales.
Por ejemplo, si buscásemos trazar la red social de un grupo como
Ciberpunk y sólo a través de Google, obtendríamos datos de
distintas categorías:
23
−
−
−
−
−
−
−
−
Los enlaces que los nodos hacen desde sus páginas web. Como
sus páginas son en su mayoría bitácoras, podríamos además
clasificar por épocas a quienes han enlazado más o menos, y
también --vía archivos-- a quienes han enlazado de forma
permanente en cada época.
Las colaboraciones en medios, libros u otras webs.
Si publican libros, qué autores han publicado en esas mismas
editoriales en distintos años, quiénes seleccionaron los
contenidos, etc.
Las conferencias en las que cada uno de los miembros ha
participado como ponente en cada uno de esos periodos, con
quiénes han coincidido en las mesas y quiénes las organizaban
y/o patrocinaban.
Los órganos institucionales a los que han pertenecido (desde
directivas de asociaciones a órganos de administraciones o
empresas) y, por supuesto, con quiénes han coincidido y con
qué frecuencia en cada una de ellas.
Las empresas que participan y junto a quién en cada momento.
Los proyectos colectivos en los que han tomado parte
(voluntariado, jurados de concursos, etc.) y junto a qué
personas.
Etc.
Y al mismo tiempo podríamos obtener un listado de las referencias
a sus parejas, familiares, compañeros de colegio, promoción e
incluso vecindario con vista a establecer relaciones de largo
recorrido. Y todo esto deberíamos hacerlo también y al menos
para cada uno de los contactos que están a uno o dos grados de
separación de los nodos estudiados.
Los resultados deberían representarse como un conjunto de series
temporales de grafos que son el primer estadio de información
para el análisis.
24
De una primera comparación entre series podemos obtener ya
cierta información importante. ¿Es esta red social una “free scale
network”, una red de libre agregación? ¿Lo ha sido? ¿Se está
transformando en una? El resultado es importante para saber su
permeabilidad así como la facilidad de acceso a sus conectores
principales.
La red social en su conjunto funciona para muchos propósitos
como tal, pero no lo es en su totalidad ni en el conjunto de la
trayectoria vital de las personas. Durante nuestra infancia y
adolescencia somos agregados pasivamente como nodos a una
serie de clusters preexistentes o creados ad hoc por otros (la
familia, el colegio, el instituto...). No existe “agregación
preferente”, no nos ligamos al mundo a través de conectores de
nuestra elección (normalmente ni siquiera les conocemos todavía).
Los conectores de nuestro mundo son institucionales (padres,
profesores...). Al entrar en la adolescencia, los lazos formados
durante este periodo, especialmente en entornos físico-sociales
pequeños, cuajan en un tipo especial de cluster marcado por esta
“no elección” de los iguales: la cuadrilla.
Sin embargo en las grandes ciudades, en los entornos donde la
movilidad social y geográfica son amplias (o las relaciones
virtuales se han extendido y fundido con la construcción de
nuestro entorno), a partir de cierto momento biográfico, que suele
coincidir con la Universidad y la integración laboral, empezamos a
conocer gente nueva por motivos de afinidad y a reorganizar
nuestro entorno de relaciones de forma pareja. Poco a poco, en
nuestro cluster empiezan a funcionar las leyes potenciales y
aparecer grandes conectores de entornos.
La diferencia entre red y cuadrilla es capital desde la perspectiva
de la permeabilidad de los nodos y del tipo de mensajes que
corren por la red. Mientras la cuadrilla es ideológicamente
heterogénea y tiende a aislar las creencias del individuo en un
campo “íntimo” y terriblemente sensible a los medios de
comunicación de masas, una red identitaria las fortalece, siendo
25
más sensible a las corrientes de pensamiento dentro de la red que a
los mensajes emitidos desde los centros de poder.
También, desde el punto de vista de la identificación de las
estrategias de transformación, la diferencia es importante. No
debemos confundir un nodo que está tratando de ganar influencia
para transmitir un mensaje determinado con el mayor alcance
posible con otro que está “tejiendo su red”. En este segundo caso
la transmisión es menos importante que la recepción, incluso
aunque desde el punto de vista estructural los nodos a los que se
una sean los mismos.
Para describir la estrategia de transformación de los agentes, y
dentro de cada serie de grafos, deberemos listar los nodos con los
que cada uno de los agentes ha dejado de relacionarse o ha abierto
nuevos vínculos en cada periodo respecto al anterior. El resultado
es susceptible de ser calculado y expresado matricialmente (lo que
desde el punto de vista del desarrollo de aplicaciones para el
análisis siempre es muy útil, como veremos en las prácticas).
De nuevo el analista debe tener “arte” a la hora de interpretar:
¿quiénes son los sujetos activos y pasivos en el establecimiento de
un vínculo? ¿Cuántos agentes intervienen en el proceso? Pero
sobre todo debe tener “honradez analítica”: explicitar las hipótesis
previamente a la explicación de las estrategias para desde ahí
poder enumerar qué nuevos lazos de cada grafo tienen sentido
desde el punto de vista de la hipótesis global de comportamiento
que asoció al agente.
Pero sabemos por los trabajos de Juan Urrutia que cuando un
individuo tiene una estrategia de propagación es porque
previamente subyace una estrategia de propagación no compartida
por el entorno (del sujeto o de su cluster). Los nodos modifican la
red porque o bien quieren aumentar el alcance de la información
(y los nodos a su alrededor no “pasan” la info) o porque las
posiciones que expresa no son admitidas por su entorno cercano
(del nodo o del cluster). La info transmitida puede ser de todo
26
tipo, desde un mensaje político a la idea de que él mismo u otro al
que estima debería ser promocionado a un determinado cargo. En
cualquier caso se trata, a nuestros efectos, de información que
busca influir, contagiar y sumarse a las creencias de un nodo o
grupo de nodos distinto del que rodea al actor.
Caracterizar estrategias de propagación es por tanto, partiendo de
la estrategia de transformación realmente ejecutada por el nodo y
en contraste con las de su cluster, asignar con qué información
quiere el nodo influir y a quién.
En 1919 un anarquista francés fue encargado por el gobierno
bolchevique de estudiar los archivos de la policía política zarista.
Se llamaba Victor Serge y en 1926 escribiría con lo aprendido un
libro que se ha convertido en todo un clásico para los amantes de
la Historia de la teoría de redes: Todo lo que cualquiera debe
saber sobre la represión.
Evidentemente, la policía zarista no desperdiciaba ocasión para
leer la correspondencia ajena y parece que la oposición a la
autocracia tampoco era muy fuerte en criptografía. Sin embargo
ése no era el centro de su trabajo. Serge nos cuenta de grandes
paneles de grafos, de cuidadosas anotaciones fruto de días,
semanas y años de seguimiento, sólo para saber quién se carteaba
con quién, quién visitaba a quién, quién influía en quién. Los
investigadores de la policía política zarista no buscaban una
detención fácil. El objetivo era trazar los mapas de las redes
personales. A través de ellos sabían dónde buscar cuando lo
necesitaban, a quién presionar para que delatara o acusara en falso,
cómo generar disputas y forzar divisiones. Los represores rusos
sabían el verdadero valor de las variables flujo en la comunicación
y la potencia de los lazos débiles en situaciones que el nodo piensa
excepcionales. Estos lazos aparecerán como determinantes en los
momentos de máxima actividad transformadora del nodo o en los
tipping points globales.
27
Por eso, en la penúltima fase de análisis debemos caracterizar, en
función de cómo interactúan estrategias de transformación y
propagación, los lazos de cada nodo como abiertos o cerrados,
estableciendo la base del grafo final con el que aproximaremos la
red social estudiada.
Del modelo teórico general hemos tomado la idea de Juan Urrutia
de que los nodos transforman la red estratégicamente para
transformar vínculos débiles en vínculos abiertos a aquello que
quieren transmitir. Y en el modelo analítico hemos caracterizado la
red social de los nodos estudiados como un conjunto de nodos -cada uno con sendas estrategias asociadas de propagación y
transformación-- unidos por vínculos dinámicos que pueden ser
abiertos o cerrados. El resultado se representará por tanto como
una serie de grafos (o matrices), y tanto las hipótesis de
comportamiento como las conclusiones lanzadas a partir de ellas
serán falsables.
28